基于智能算法的影響鮮切花價格因素驗證方法探究

錢曄 孫吉紅 韋翌

摘要 針對云南省鮮切花產(chǎn)業(yè)不斷發(fā)展壯大與鮮切花價格難以預(yù)測的矛盾，擬設(shè)計基于智能算法的影響鮮切花價格因素的智能驗證模型：根據(jù)實際需求將政策指導(dǎo)矩陣進行修改完善，確定市場競爭力最強、市場前景最好的鮮切花品種；然后，基于昆明國際花卉拍賣交易中心官網(wǎng)提供的數(shù)據(jù)分析框定影響因素；最后，以月季鮮切花為例，采用GRNN神經(jīng)網(wǎng)絡(luò)算法構(gòu)建影響鮮切價格因素的驗證模型，確定鮮切花價格的影響因素。該驗證模型的建立為構(gòu)建鮮切花價格預(yù)測模型提供了智力支持。

關(guān)鍵詞 驗證；模型；影響因素；GRNN神經(jīng)網(wǎng)絡(luò)算法；鮮切花

中圖分類號 S126 文獻標識碼 A 文章編號 0517-6611（2018）22-0190-03

Abstract Aiming at the contradiction between the continuous growth and development of fresh cut flowers industry and the price of fresh cut flowers in Yunnan Province，based on intelligent algorithm，an intelligent verification model of fresh cut flowers price factor was designed.According to the actual demand，the policy guidance matrix was improved to determine the best market competitiveness and the best market prospect of fresh cut flowers.Then，based on the data provided by official website of Kunming International Flower Auction and Trading Center，the influencing factors were analyzed.Finally，taking the fresh cut flowers of rose as an example，the GRNN neural network algorithm was used to construct a verification model affecting the price factors of fresh cut flowers，to determine the influencing factors of the price of fresh cut flowers .The establishment of the validation model provided intelligence support for constructing the price prediction model of fresh cut flowers.

Key words Validation；Model；Influencing factor；GRNN neural network algorithm；Fresh cut flowers

云南省高原氣候顯著，晝夜溫差大，海拔差距大，使得其省內(nèi)鮮切花產(chǎn)量高、色彩鮮艷、品種多樣，云南省鮮切花現(xiàn)已成為全國乃至全亞洲的高原特色產(chǎn)物之一。云南省鮮切花銷量占全國銷量的70%左右，特別是寒冬季節(jié)，鮮切花呈現(xiàn)供不應(yīng)求的態(tài)勢。目前，云南省大力發(fā)展高原農(nóng)業(yè)特色產(chǎn)業(yè)，鮮切花成為重點發(fā)展產(chǎn)業(yè)之一。隨著鮮切花產(chǎn)量的不斷增長，中國花卉協(xié)會、園林網(wǎng)等網(wǎng)站也曝出了特定時段鮮切花滯銷的新聞。在供不應(yīng)求與嚴重滯銷等復(fù)雜環(huán)境的綜合影響下，鮮切花在不同時期的價格預(yù)測就顯得尤為重要，特別是影響鮮切花的價格因素成為影響云南省鮮切花產(chǎn)業(yè)的重點因素。因此，對影響鮮切花價格因素進行研究刻不容緩。

1 驗證模型建設(shè)的必要性

近年來，自互聯(lián)網(wǎng)+、物聯(lián)網(wǎng)、大數(shù)據(jù)等高新技術(shù)進入人們的視野以來，農(nóng)業(yè)大數(shù)據(jù)在特定范圍內(nèi)得到了廣泛的認可。在云南省特別是具有“花城”之稱的昆明市，鮮切花產(chǎn)業(yè)是廣大農(nóng)戶、散戶、鮮切花種植企業(yè)主要收入來源，如何將互聯(lián)網(wǎng)+、農(nóng)業(yè)大數(shù)據(jù)的高新技術(shù)引入鮮切花行業(yè)成為影響云南鮮切花產(chǎn)業(yè)發(fā)展的關(guān)鍵因素。

鮮切花價格預(yù)測成為重中之重，近期金智等[1]采用人工神經(jīng)網(wǎng)絡(luò)算法對玉米價格進行短期預(yù)測；李宏偉等[2]采用小波神經(jīng)網(wǎng)絡(luò)算法構(gòu)建魚類價格預(yù)測模型對魚類價格進行預(yù)測；孫吉紅等[3]采用BP人工神經(jīng)網(wǎng)絡(luò)算法構(gòu)建鮮切花價格預(yù)測模型；趙姜等[4]采用SARIMA模型對西瓜的短期價格進行預(yù)測；魏明樺等[5]采用改進 BP 神經(jīng)算法構(gòu)建農(nóng)產(chǎn)品價格預(yù)測模型并實現(xiàn)價格預(yù)測取得了較好的結(jié)果；陳芳等[6]采用廣義回歸神經(jīng)網(wǎng)絡(luò)算法，構(gòu)建蔬菜市場價格預(yù)測模型，對蔬菜價格進行預(yù)測取得了較好的結(jié)果。多位研究人員構(gòu)建了定性或者定量的預(yù)測模型對農(nóng)產(chǎn)品價格進行預(yù)測，為云南省鮮切花的產(chǎn)業(yè)發(fā)展提供了智力支持。但是，研究人員較少涉及影響鮮切花價格因素的研究，只有“基于智能算法的價格預(yù)測模型探究”一文中明確了影響鮮切花的價格因素，但是筆者并未使用智能算法對影響因素進行驗證。

因此，隨著農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，在鮮切花產(chǎn)業(yè)中，亟需利用智能算法構(gòu)建影響鮮切花價格因素的驗證模型，解決鮮切花價格預(yù)測中預(yù)測準確率較低的問題，為云南省鮮切花產(chǎn)業(yè)發(fā)展作出貢獻。

2 驗證模型建設(shè)的方法

驗證模型建設(shè)的技術(shù)路線見圖1。

2.1 基于政策指導(dǎo)矩陣選定研究對象

政策指導(dǎo)矩陣可以用矩陣來指導(dǎo)決策[7]。由圖2可知，該研究根據(jù)實際需求，對荷蘭皇家-殼牌公司創(chuàng)立的政策指導(dǎo)矩陣進行修改，將縱坐標經(jīng)營單位的競爭能力改為某種鮮切花在市場上的競爭力，分為“強”“中”“弱”3個等級，橫坐標保留市場前景，但是限定為鮮切花在云南花卉市場中的前景，且分為“強”“中”“弱”3個等級，形成具有針對性的政策指導(dǎo)矩陣。通過劃分區(qū)域確定某種鮮切花來年在市場上的競爭力，確定市場前景。

筆者邀請了云南省研究鮮切花方面的專家3人，鮮切花研究方向研究生10人，從事鮮切花銷售種植的人員2人，并預(yù)備了問卷調(diào)查100份。通過頭腦風(fēng)暴法結(jié)合問卷調(diào)查的結(jié)果將不同的鮮切花劃分在不同區(qū)域，最終根據(jù)政策指導(dǎo)矩陣判斷研究對象的市場前景，尋找最具有潛力的鮮切花品種。具體方法如下所示：①將研究對象鎖定在世界五大鮮切花：菊花、 月季、康乃馨、唐菖蒲、 非洲菊。分別咨詢研究鮮切花價格方面的專家，確定其在市場中的競爭力和吸引力。②根據(jù)昆明斗南國際花卉市場在2017年1月—2018年12月公布的鮮切花價格數(shù)據(jù)，分析2017年5種鮮切花的產(chǎn)量、銷售量、價格及價格趨勢。③根據(jù)數(shù)據(jù)分析的結(jié)果結(jié)合人們?nèi)粘ＯM鮮切花的種類、數(shù)量等特點，制作問卷調(diào)查，分不同的小區(qū)、花卉市場進行發(fā)放，收集整理、分析問卷調(diào)查的數(shù)據(jù)。

④根據(jù)政策指導(dǎo)矩陣的特點，將5種鮮切花分別置于矩陣中的5個數(shù)字內(nèi)，確定最優(yōu)品種的鮮切花，供農(nóng)戶、散戶、鮮切生產(chǎn)企業(yè)、收購商選擇。

根據(jù)以上分析確定，月季、康乃馨鮮切花分別處于第1和第4區(qū)，是具有較強市場競爭力和較好市場前景的鮮切花品種，其中選定月季鮮切花為該研究的對象。其余3種鮮切花處于第2區(qū)，在鮮切花交易市場中前景較好，但是競爭力相對于月季鮮切花較弱，應(yīng)該投入更多的資金提高現(xiàn)有品種質(zhì)量，研發(fā)新品種，提高市場競爭力。

2.2 基于數(shù)據(jù)分析框定影響因素

根據(jù)問卷調(diào)查中的數(shù)據(jù)分析顯示：①80%的受調(diào)查對象認為情人節(jié)（2月14日）前后、七夕節(jié)前后、春節(jié)前后，鮮切花特別是月季鮮切花、百合鮮切花的價格大漲，遠遠超出正常價格；②春、夏季鮮切花價格較低，秋季相比較春、夏季，價格略有上浮，冬季鮮切花價格較高；③影響鮮切花價格的因素主要是供求關(guān)系，供不應(yīng)求時鮮切花價格上漲，供大于求時鮮切花價格下跌。

結(jié)合昆明市國際花卉拍賣交易中心官方網(wǎng)站公布的2017年全年數(shù)據(jù)以及多篇核心期刊的表述，在分季節(jié)期間中，影響鮮切花的價格因素為昆明市國際花卉拍賣交易中心的供應(yīng)量和需求量。

為證明以上結(jié)論的準確性，該研究引入了聚類算法，將不同季節(jié)、不同時間段的同一品種的鮮切花進行分類，以月季鮮切花為例，證明月季鮮切花由于時間的不同產(chǎn)生不同的價格。具體算法如下：①將2017年1月1日—12月31日的月季鮮切花的價格分為365份，將其作為構(gòu)建聚類算法分類模型中的訓(xùn)練樣本；②將365份數(shù)據(jù)打破時間的限制并作為輸入向量，在聚類算法構(gòu)建的模型中進行訓(xùn)練，按照重大節(jié)假日、春、夏、秋、冬季節(jié)進行分類，根據(jù)歐式幾何距離算法，對數(shù)據(jù)進行分類，分類結(jié)果見圖3。

2.3 采用智能算法構(gòu)建驗證模型

由于影響鮮切花價格因素的驗證屬于非線性問題，而GRNN神經(jīng)網(wǎng)絡(luò)算法具有較強的非線性映射能力及柔性網(wǎng)絡(luò)結(jié)構(gòu)、高度的魯棒性、較強的容錯性，適于解決非線性問題[6]。筆者以月季鮮切花為研究對象，采用GRNN神經(jīng)網(wǎng)絡(luò)算法進行驗證。

將昆明斗南國際花卉市場在2017年1月—2018年12月公布的月季鮮切花每日的產(chǎn)量、銷售量、價格等365組數(shù)據(jù)進行歸一化處理，將每組數(shù)據(jù)控制在-1～1，設(shè)定輸入向量的維數(shù)等于2，輸出向量的維數(shù)等于1，然后將365組數(shù)據(jù)作為輸入變量，不需要任何處理，直接傳遞至模式層。根據(jù)模式層神經(jīng)元傳遞函數(shù)進行計算，輸入求和層。

最后，將求和層的計算結(jié)果通過輸出層輸出，此處輸出層的輸出向量維數(shù)等于1，即鮮切花的預(yù)測價格，將輸出結(jié)果與實際結(jié)果進行計算，得出預(yù)測的準確率。當(dāng)預(yù)測的準確率高于90%時，說明影響鮮切花的價格因素為昆明斗南國際花卉市場中每天鮮切花的產(chǎn)量、銷售量。

3 結(jié)語

農(nóng)業(yè)物聯(lián)網(wǎng)的興起加快了云南省鮮切花產(chǎn)業(yè)的發(fā)展，促進了云南鮮切花產(chǎn)業(yè)沖出亞洲，走向全世界。目前，鮮切花已經(jīng)成為云南高原特色產(chǎn)業(yè)之一，加快鮮切花產(chǎn)業(yè)發(fā)展，提升鮮切花的品質(zhì)顯得尤為重要。將智能算法引入鮮切花價格影響因素的驗證模型中，確定影響因素，再使用已有的較為成熟的鮮切花價格預(yù)測模型，可有效提升基于智能算法的鮮切花價格預(yù)測模型的預(yù)測率，真正實現(xiàn)農(nóng)業(yè)信息化、智能化[10]。

參考文獻

[1]金智，李風(fēng)軍.基于人工神經(jīng)網(wǎng)絡(luò)的玉米價格短期預(yù)測研究[J].寧夏師 范學(xué)院學(xué)報（自然科學(xué)），2013，34（6）：77-81.

[2]李宏偉，高小翔，程可軍.基于小波神經(jīng)網(wǎng)絡(luò)的魚類價格預(yù)測研究[J].中國漁業(yè)經(jīng)濟，2014，32（4）：61-66.

[3]孫吉紅，張麗蓮，武爾維，等.基于智能算法的價格預(yù)測模型探究[J].計算機技術(shù)與發(fā)展，2014，24（11）：107-109.

[4]趙姜，吳芮，吳敬學(xué).中國西瓜價格短期預(yù)測分析[J].北方園藝，2015（23）：213-216.

[5]魏明樺，鄭金貴.基于改進 BP 神經(jīng)算法的農(nóng)產(chǎn)品價格預(yù)測模型的構(gòu)建與實現(xiàn)[J].唐山師范學(xué)院學(xué)報，2014，36（2）：66-68.

[6]陳芳，樓文高.基于廣義回歸神經(jīng)網(wǎng)絡(luò)的蔬菜市場日價格預(yù)測[J].浙江農(nóng)業(yè)學(xué)報，2015，27（7）：1253-1258.

[7]周三多，陳傳明.管理學(xué)[M].北京：高等教育出版社，2000.

[8]于海濤，李梓，姚念民.K-means聚類算法優(yōu)化方法的研究[J].小型微型計算機系統(tǒng)，2012，33（10）：2273-2277.

[9]史峰，王小川，郁磊，等.MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析[M].北京：北京航空航天大學(xué)出版社，2010.

[10]張純，李蕾，夏海山.城市規(guī)劃視角下智慧城市的審視和反思[J].國際城市規(guī)劃，2016，31（1）：19-25.